耦合Sentinel-1/2多源时序遥感影像特征的红树林物种分类方法

研究区域

本研究以湛江市红树林国家级自然保护区为实验区，保护区在雷州半岛沿海主要港湾滩涂上呈带状分布，总面积20,278 hm²，是中国最大的红树林自然保护区。

保护区地跨热带和南亚热带季风气候区，气温高；年平均气温为25~27°C。保护区以其丰富的红树林资源闻名，优势树种包括白骨壤(Avicennia marina)、无瓣海桑(Sonneratia apetala)、红海榄(Rhizophora stylosa)、木榄(Bruguiera gymnoihiza)和桐花树(Aegiceras corniculatum)。

图1 研究区位置和树种示意图

研究方法

技术路线

本研究首先基于时间序列Sentinel-1/2影像数据提取并构建了光谱波段特征、植被指数特征和雷达极化特征，以及3种特征的时序谐波谱特征，使用递归式特征消除算法（Recursive Feature Elimination, RFE）对多源影像特征的分类贡献重要性进行测量。

图2 本研究的技术路线

多源遥感数据特征提取

光谱指数特征：包括Sentinel-2 MSI波段、归一化植被指数(NDVI)、增强植被指数(EVI)等11种植被指数
时序谐波谱特征：借助Continuous Change Detection and Classification (CCDC)算法提取
雷达极化特征：利用VV和VH极化方式的后向散射系数构建

分类框架构建

特征选择：使用RFE算法计算特征重要性，皮尔逊相关系数验证特征线性关系
分类方法：对比RF和XGBoost分类模型，构建集成学习模型
性能评价：采用总体精度(OA)、Kappa系数和K折交叉验证评估分类性能

使用的光谱指数特征

表1 本文采用的光谱指数特征

光谱波段	植被指数	水体指数	编号	描述
Sentinel-2 MSI波段	归一化植被指数(NDVI)	改进的归一化差值水体指数(MNDWI)	（1）	NIR、SWIR等波段对叶绿素敏感，反射效果好
Blue, Green, Red等	增强植被指数(EVI)	地表水分指数(LSWI)	（2）	对叶绿素十分敏感，但对于生长茂密的植被会产生饱和现象
	红树林植被指数(MVI)		（4）	由Baloloy等提出的专门用于监测红树林的指数
	增强型红树林植被指数(EMVI)		（5）	由Yang等提出的基于高光谱图像的红树林植被指数

研究结果

特征时间窗口选择

通过多时态特征信息筛选红树林物种分类的适宜时间窗口，发现：

2种红树林物种在3月和7月的物候信息差异最大
物种间冠层结构差异在10-11月显著
将3月和7月的光谱指数特征和10-11月的雷达极化特征视为关键时间窗口的特征

图3 时序光谱指数特征和雷达极化特征输入的特征重要性分布

多源遥感特征测试评估

基于Sentinel-1/2时序影像，组合了21个光谱指数特征、20个雷达极化特征，以及369个时序谐波谱特征：

光谱指数特征分类精度64%

时序谐波谱特征分类精度62%

雷达极化特征分类精度40%

单一特征输入的分类具有一定的局限性，单特征输入的分类精度基本在0.60以下。

特征优选分类评估

利用递归特征消除(RFE)方法进行特征筛选，结果表明：

光谱指数特征

红树林物种的光谱差异集中在红边和近红外波段，能区分5种红树林植物物种的光谱特征主要集中在红、红边和近红外区间

雷达极化特征

表征的结构差异信息是红树林物种分类的重要影响因素，均值、高度最大值、25%处高度等特征最为重要

时序谐波谱特征

突出了红树林物种间的生长差异信息，各特征均具有较高的重要性，其中RMSE重要性远远高于其他时谱特征

图4 光谱指数、雷达极化、时序谐波谱特征重要性

特征耦合分类评估

设置不同的特征组合对比实验，结果表明：

特征组合

[光谱指数，时序谐波谱]：分类精度提升不足5%
[光谱指数，雷达极化]：分类精度提高6%
[时序谐波谱，雷达极化]：分类精度提高8%
[光谱指数，时序谐波谱，雷达极化]：分类精度提高12%

分类结果

耦合特征输入的RF和XGBoost方法分类精度有显著提高，最高可达88.03%，雷达数据弥补了光学卫星数据的不足。

图5 耦合特征输入分类精度对比

红树林物种分类策略对比

设置K折交叉验证中K值为10，分析RF、XGBoost和集成学习3种分类方法对红树林物种分类精度的影响：

随机森林(RF)

69.93%

总体精度(OA)

XGBoost

74.19%

总体精度(OA)

集成学习

87.24%

总体精度(OA)

图6 红树林物种分类结果热力图

模型泛化能力验证

将分类策略应用于广东省台山市镇海湾和惠州市惠东县红树林区域，保持模型参数不变：

镇海湾红树林

83.94%

总体分类精度

惠东县红树林

82.77%

总体分类精度

基于集成学习的红树林物种分类制图

选择基于Sentinel-1/2遥感数据提取的3月和7月的光谱指数和时序谐波特征、10-11月的雷达极化特征，使用集成学习分类方法对研究区2021-2023年红树林物种进行分类制图：

图7 2021-2023年红树林最优物种特征分类结果

87.38%

2021年总体精度

Kappa系数: 0.87

87.24%

2022年总体精度

Kappa系数: 0.86

88.03%

2023年总体精度

Kappa系数: 0.86

研究结论

1. 多源数据融合提升分类精度

结合Sentinel-1/2卫星数据的光谱指数特征、雷达极化特征和时序谐波谱特征可以获取更全面和准确的红树林物种间差异信息，有效实现红树林物种分类，2021-2023年平均OA为87.55%，Kappa系数为0.86。

2. 最佳时间窗口选择

对湛江地区红树林物种的研究表明，单独使用光谱指数特征和时序谐波谱特征的分类精度分别为64%和62%；雷达数据的单特征对红树林物种分类的精度为40%。最佳分类性能模型的时间度量显示，湛江红树林物种分类的最佳时间窗口是光学卫星数据的3月和7月，雷达数据的10-11月。

3. 集成学习方法优势明显

利用时间序列Sentinel-1 SAR和Sentinel-2多光谱影像，将基于RFE的集成学习分类方法与时序谐波谱特征相结合，对5种红树林物种分类性能最佳。3类耦合特征输入集成随机森林和XGBoost方法的精度最高，最高可达88.03%，雷达数据弥补了光学卫星数据的不足，极化特征参与的多源特征耦合分类精度提升最高达12%。

4. 模型具有良好的泛化能力

使用湛江地区红树林物种样本训练分类模型并将其迁移至其他区域，物种分类精度分别为83.94%和82.77%，证明本研究采用的基于多源遥感影像特征耦合和集成学习算法的红树林分类框架具有良好的泛化能力。